如何从数据科学家的角度找到合适的数据科学工作

根据AIM研究, 分析学和数据科学在印度的大公司中得到了广泛的应用 74.5%. 这意味着各个部门和行业对数据科学家的需求很大. 

然而,数据科学是 不是每个人都. 一个人必须确定他们正在进入的角色类型,以及特定的工作是否允许他们动手实践或只是沉溺于实验室实验.

截至2020年10月, 93500分析工作 在印度可以买到. 然而,数据科学技能仍然供不应求. “尽管对于新手来说,有大量的训练选择可以让他们跟上速度,并充分利用高需求, 只有少数公司能够在实践中对数据科学进行有意义的接触,Rangarajan Vasudevan说, 企业人工智能解决方案公司创始人兼首席执行官 TheDataTeam他在接受《mg冰球突破手机版下载》(Analytics 印度 Magazine)采访时表示. 

Rangarajan拥有20多年的工作经验. 在数据科学和大数据变得“流行起来”之前,他就进入了这个领域.在成立TheDataTeam之前, Rangarajan构建了跨行业和地域的本地数据应用程序. 

马德拉斯理工学院和密歇根大学计算机科学专业毕业生, Rangararajan是杰出工程师奖获得者&D)和咨询卓越奖, 当时他在Teradata公司担任首席顾问, 大数据. 目前,他是印度理工学院马德拉斯分校的客座教授. 

作为一名数据科学家, 他告诉了mg冰球突破手机版下载一些在公司接受数据科学职位之前必须问招聘人员或招聘经理的重要问题:

在开始一个公司的数据科学职位之前,有哪些重要的问题要问招聘人员?

Rangarajan周二Vasudevan:向招聘人员或招聘经理问以下问题是非常重要的: 

  • 举例说明公司在过去6个月内利用数据科学解决的业务问题.
  • 当前使用的数据平台架构是什么——包括分析和数据科学的工具?
  • 这个职位的招聘团队是在业务部门还是IT部门?
  • 在LinkedIn上分享这个职位的管理层级,从经理开始.
  • 这个团队中还有哪些与数据相关的角色?

目的:为什么上述问题如此重要? 

Rangarajan周二Vasudevan:要想在这一领域取得进展,实践是必须的. 以上的问题有助于mg冰球突破手机版下载了解招聘该职位的公司是否有从数据中获取价值的良好习惯,还是存在潜在风险.

目的:有哪些问题, 从你的个人经历来看, 你希望自己在成为数据科学家之前问过这个问题?

Rangarajan周二Vasudevan:最重要的是制定数据科学问题的业务上下文. 要真正理解这一点,不能提出足够多的问题. 

这是我第一次作为数据科学家的经历, 我专注于技术方面,比如数据准备的性能和在大数据上操作的管道扩展, 而忽略了细微的差别,为什么这种规模是重要的,以及表现不佳的模型对客户的业务有什么影响.

另一个我一开始没问但后来想问的问题是,作为数据科学家,我被要求做的工作是一个“实验室实验”,还是要变成一个实时的产品或服务. 

正如我在职业生涯后期意识到的那样, 理解这种区别对于使工作与期望保持一致至关重要. 提供实验室实验的工作场所往往会提供快速探索的途径. 而, 一个能够实时应用数据科学解决方案的平台,通常会提供具体的机会,将所学知识付诸实践,并在现实中看到什么可行,什么不可行.

目的:当mg冰球突破手机版下载走数据科学的道路时,有哪些事情是mg冰球突破手机版下载应该注意的? 

Rangarajan周二Vasudevan: 我强烈建议有抱负的数据科学家在这个清单中选择第一项而不是第二项, 从长远来看, 后者的重要性远没有新数据科学家认为的那么大:

  • 业务上下文高于工具或技术.
  • 操作平台优于实验:前者让数据科学家面对实际问题,这对创造长期影响非常重要. 
  • 算法之上的过程或方法:例如, 深度学习或人工智能不如使用数据科学来解决问题的严格流程重要,这鼓励了工作输出的可用性.
  • 导师对于品牌或薪水的重要性:这也是人生重要的一课. 人们必须努力为数据科学导师工作,即使这意味着比名牌机构经理手下的高薪工作薪水要低.

目的:分享一些你作为数据科学家的经验和技巧. 

Rangarajan周二Vasudevan:在数据驱动的解决方案中,让数据有序是最困难的部分. 我看到一些数据科学家回避这项工作. 而不是, 我建议一个数据科学家完全拥有数据管道,包括数据收集, 准备和其他工程活动. 这样的经验在实践中更有价值.

要知道,工作的许多方面都在自动化,数据科学也不例外. 例如, 利用最新的自动化机器学习技术(称为AutoML)没什么好羞愧的, 然而事实上,它能让你比预期更快地得到答案. 通过专注于如何利用这种自动化来学会拥抱它.

最后, 与周围发生的其他事情相比,典型的数据科学解决方案中的实际模型构建和模型评分步骤占用的资源和精力最少,认识到这一点很重要. 例如, 搭建和管理数据平台, 正确的性能, 配置策略,使其能够与其他活动项目共存, 将数据放在正确的位置和形状(举几个例子)都需要花费更多的精力和精力. 

至少要培养同情心, 如果不理解也一样, 关于这些生态系统的任务将使数据科学的职业生涯变得有趣.

留下一个回复

您的电子邮件地址将不会被公布.

友情链接: 1 2 3 4 5 6 7 8 9 10